【構建中國哲學社會科學自主知識體系】

自20世紀中葉開始孕育、21世紀第二個十年爆發(fā)并席卷全球的人工智能革命，是一場科技革命、產業(yè)革命，也深刻反映了人類知識生產正在發(fā)生的轉型。這一轉型過程，推動了“科學”向“知識”的回歸，即回歸其應有的整體性、關聯(lián)性、開放性、多元性和包容性狀態(tài)。

知識生產方式向復雜性科學演進

革命，意味著帶有根本性和顛覆性的變革。人工智能科學技術80年發(fā)展歷程可分為兩個階段：前一階段基于符號邏輯進路，產生了計算機；后一階段轉向聯(lián)結主義進路，提出神經網絡模型和機器學習算法，通過了圖靈測試。階段的轉向，不僅是方法論層面的工具拓展，更是認識論層面的理念突破，體現(xiàn)了知識生產方式的轉型。

符號邏輯是人工智能的早期思想路徑，其認為只要解決了自然語言處理即符號化問題，基于少量基本公理和定義，借助計算機強大的計算和存儲能力，通過數(shù)理邏輯和博弈論推演，即可演繹出新的定理與推論。但該方法僅適用于小規(guī)模簡單問題，一旦問題規(guī)模擴大、呈現(xiàn)復雜化，其搜索空間規(guī)模呈指數(shù)級上升，根本無法解決現(xiàn)實世界實際問題。聯(lián)結主義則摒棄了為機器輸入邏輯規(guī)則的思路，轉而模仿人腦生物神經網絡結構，以感知器替代神經元，以并行電子電路模仿神經元連接。人工神經元網絡結構呈多層分布，因而被稱為“深度神經網絡”。信息分布存儲于整個人工神經網絡中，每個人工神經元保存的參數(shù)值即神經網絡的“記憶”。隨著反向傳播算法的提出，人們可以通過預訓練微調非循環(huán)多層神經網絡，模仿人腦進行“機器學習”，學習過程就是調整每個人工神經元中保存的參數(shù)值的過程。以人工智能視覺識別為例，系統(tǒng)不再依靠逐點逐行掃描圖像內容，而是借助分布式存儲、全局并行的深度神經網絡，在整體觀察強化學習過程中自動抽取圖像的語義特征。一開始很可能只是一個一個小圖塊組合方式的語義特征，反復訓練就可以開始慢慢感知到這個圖形的組合特征，進而形成概念、意義，識別規(guī)律并做出判斷。這種機器“認知”類似于人類在反復實踐中積累經驗的過程，正因如此，有哲學家將人工智能稱為“經驗主義者”。2016年，“阿爾法狗”戰(zhàn)勝人類圍棋選手并保持不敗紀錄，但其走棋落子的工作原理至今無法被完全解釋。以可解釋性為目標的科學，自誕生以來首次遭遇難以解釋的人工智能技術，這種“不可解釋性”也恰好印證了經驗主義知識生產方式的特征。

回顧人類文明史，知識生產方式經歷了從經驗主義到科學主義的躍升，正朝向人機協(xié)同混合模式演進。早期知識基于個體經驗，狩獵技巧、農耕經驗、手工技藝以及天文地理、氣候歷法、為人處世等生產生活知識，經口口相傳和文字記載緩慢累積，形成經驗主義知識生產范式。自伽利略開啟“實驗+數(shù)學”的科學研究方法，至牛頓建構經典物理學體系，自然科學和社會科學學科群誕生，知識生產進入“邏輯實證主義—假說演繹主義”階段，客觀實證、精確量化、分析歸納的知識生產方式逐漸成為主流。愛因斯坦提出的狹義相對論和廣義相對論，對物理學做出了深刻變革。而復雜性科學非線性、混沌、涌現(xiàn)等理論研究進展，以及量子力學“不確定性原理”的提出和確證，都進一步動搖了經典物理學決定論、還原論的支柱。這些都為人工智能大模型和機器學習算法奠定了認識論前提。從形式上看，人工智能從大量數(shù)據中發(fā)現(xiàn)規(guī)律、提取知識的過程，是一個由嚴密、精確的演繹推理轉向整體、概率的歸納推理的過程，似乎是科學主義向經驗主義的回歸。但這絕非對古代經驗主義知識生產方式的簡單復歸，而是線性實證科學知識生產方式向非線性復雜科學知識生產方式的轉型和螺旋式上升。

知識形態(tài)邁向立體交互

知識形態(tài)是指知識呈現(xiàn)的存在方式、表現(xiàn)形式、結構特征與傳播機制，其會隨時代變遷和人類認知能力進步而動態(tài)演變，這種演變突出表現(xiàn)為知識所依附的物質載體的變化。原始形態(tài)的知識，如神話、歌謠、經驗口訣等，以個體的人及其語言與記憶為載體。文字出現(xiàn)后，知識被記錄于獸皮、青銅器、竹簡等平面載體之上，得以固化和跨時空代際傳遞。紙張、印刷術的出現(xiàn)，進一步增強了知識的傳播范圍與保存周期，并催生了近代科學，使零散碎片化留存的知識形態(tài)形成系統(tǒng)化關聯(lián)。計算機、互聯(lián)網和多元數(shù)字媒介的出現(xiàn)，如數(shù)據庫、電子書、在線課程等，則承載了數(shù)據化的知識形態(tài)。

知識形態(tài)的數(shù)據化始于人工智能的研發(fā)。隨著信息理論和計算機科學的創(chuàng)立，“數(shù)據—信息—知識”一體化的表達和傳播機制得以建立，知識開始呈現(xiàn)為可快速檢索、流動交互的立體形態(tài)。數(shù)字時代的開源社區(qū)、在線協(xié)作平臺，使知識生產成為全球參與者的協(xié)同行為，知識傳播呈現(xiàn)出去中心化、實時性的特點。生成式人工智能從語言大模型到多模態(tài)大模型的發(fā)展，本質上是機器學習算法驅動下的數(shù)據重組，這極大改變了知識的組織形式和結構特征。而鏡像虛擬、數(shù)字孿生、元宇宙技術的綜合應用，更是將知識的立體交互、快速迭代、協(xié)同共創(chuàng)推至全新高度，傳統(tǒng)平面、靜態(tài)的知識形態(tài)幾乎被徹底顛覆。

遠古時期的口傳知識形態(tài)大都基于生產生活的經驗總結，依賴直覺、類比、具象化等思維，形成零碎、分散、容易遺漏變異的地方性知識，呈現(xiàn)出不成體系、極不穩(wěn)定的知識形態(tài)。文字與書籍時代初期，知識固化為文本，得以在一定時空范圍內傳承傳播。知識生產掌握在少數(shù)統(tǒng)治者和精英學者手中，依賴師徒傳承或特定階層的教育傳播，具有精英壟斷的封閉形態(tài)。現(xiàn)代教育突破階層限制，期刊傳媒使知識實現(xiàn)大眾共享，知識傳播加速，推動人類思維向理性化、邏輯化發(fā)展，形成了強調分類、歸納、演繹的系統(tǒng)化、學科化知識形態(tài)。人工智能時代，人類認知方式轉向“個性化推薦”和“超鏈接式檢索”，思維模式傾向跨領域關聯(lián)與快速整合信息，但也帶來注意力碎片化和認知淺層化的問題，這一時期的知識形態(tài)呈現(xiàn)網狀關聯(lián)、快速流動且碎片化的特征。

知識形態(tài)的演變，本質上是人類認知能力、技術工具與社會發(fā)展需求三者互動互構的結果。其不僅改變了知識的生產、傳播和使用方式，也從經濟結構、文化傳承、社會階層、思維模式等多個維度深刻重塑了人類社會與文化的樣貌。早在20世紀中葉，法國哲學家福柯就曾提出“知識即權力”，認為知識形態(tài)的演變直接影響權力的分配。在人工智能時代，掌握數(shù)據、算法等核心知識資源的主體（如科技企業(yè)、掌握數(shù)據的政府部門），其影響力遠超傳統(tǒng)權力主體，“算法權力”等成為新的權力形態(tài)。權力的本質向“知識權力”傾斜，同時也引發(fā)諸如隱私保護、算法公平性等新的社會議題。

還應看到，世界不同地域、不同民族在歷史上形成了相對獨立且較為穩(wěn)定的知識構成、文化傳統(tǒng)與文明譜系。人工智能時代，數(shù)字網絡化的知識形態(tài)徹底打破了地理邊界，人工智能翻譯不斷突破語言障礙，實現(xiàn)了知識的跨國實時流動，也加劇了不同思想和價值觀的碰撞與融合，全球文化同質化和地方性知識邊緣化趨勢日益突出，對多元文明帶來沖擊。因此，本土文化保護和自主知識體系構建的重要性愈益凸顯。

知識類型加速交叉融合

人工智能既是計算機科學的一個分支，也是一種求解復雜問題的新范式，凝聚了多學科知識。就機器學習大模型的開發(fā)而言，人工神經網絡集成電路芯片以量子物理學、信息科學、神經生理學、腦科學等為知識基礎；語言大模型不僅依賴于數(shù)學統(tǒng)計學，更有語言文字學、邏輯學、認知科學等哲學社會科學學科的深度參與。與人類歷史上任何其他技術相比，人工智能是哲學社會科學參與程度最深、社會科學知識含量最高的技術科學。

18、19世紀自然科學與社會科學學科群的興起，是知識演進史上的重大轉折。中文“科學”取“分科之學”之意，知識被分門別類形成數(shù)學、天文學、物理學、化學、生物學等獨立學科，每個學科有各自的概念、定理與研究方法，形成嚴謹?shù)膶蛹壗Y構。由國家、大學或企業(yè)主導的專門化、標準化、規(guī)范化、規(guī)模化的科學研究，成為知識生產的主要形式。20世紀的知識增長，則呈現(xiàn)出既高度分化又高度綜合的特點，學科交叉不斷催生新的知識增長點。進入21世紀，2018年我國教育部提出建設新工科、新醫(yī)科、新農科、新文科（以下簡稱“四新”）的高等教育改革，這一理念與人工智能革命爆發(fā)幾乎完全同步。

我們看到，知識細分在深化研究的同時，也壘起了“科學”的門檻，形成了“科學”在人類知識體系中至高無上的地位。過度細分的專業(yè)若畫地為牢筑起“小院高墻”，很容易陷入“只見樹木不見森林”的盲人摸象式知識生產的死胡同。人工智能革命的爆發(fā)，本身就是打破傳統(tǒng)“科學”界限，推動多學科交叉融合的典型成果。人工智能驅動的復雜問題研究（如腦科學、社會系統(tǒng)模擬）需要多學科協(xié)作，進一步推動了自然科學、社會科學、人文學科跨學科交叉研究的興起。生成式人工智能工具（如文獻分析、自動翻譯）的應用，降低了專業(yè)門檻，使非專家也能參與知識生產，“大眾學術”興起，同時促使“科學”與其他知識形式（如人文、藝術）平等對話。這意味著，21世紀的知識生產正全面走向綜合整合。

世間并非只有科學。在人類文明史里，科學的出現(xiàn)只是近幾百年的事。相較而言，“知識”涵蓋更廣義的人類經驗與認知，遠比“科學”更具包容性。人工智能推動不同學科交叉融合、知識結構綜合整合，使知識重獲其應有的整體性、關聯(lián)性、開放性、多元性與包容性。這或許是人工智能革命對人類知識生產更為深刻的意義。

知識生產效率激增下亦存隱憂

人工智能革命極大提升了物質和精神產品的生產效率，其本質是人工智能輔助科學研究（AI4S、AI4SS）大幅縮短了知識生產所需的時間。一直以來，科學發(fā)現(xiàn)主要依賴科學家的大膽猜想、反復實驗、分析比較、小心求證，這一過程需要處理和分析大量數(shù)據。傳統(tǒng)的人工方法耗時費力且容易出錯。而AI4S在實驗設計、流程優(yōu)化、數(shù)據處理、模式識別、預測分析尤其是在高維復雜、全視野推理方面具有顯著優(yōu)勢，能夠高效分析處理數(shù)據，發(fā)現(xiàn)潛在規(guī)律，預測未來趨勢。譬如，在天文學研究中，人工智能可以自動分析每天產生的海量觀測數(shù)據，識別未知天體或宇宙現(xiàn)象；在氣象預測中，人工智能可以快速分析歷史氣候數(shù)據、地球和大氣物理數(shù)據，建立氣候模型，更為準確地預測未來短期和中長期氣候變化；在化學實驗中，人工智能可以預測不同化學反應發(fā)生的可能性，優(yōu)化實驗流程，減少試錯過程；在材料科學領域，人工智能可以從大量材料數(shù)據中提取出材料特性與性能的關系，篩選出最有潛力的材料。

必須指出的是，人工智能應用雖能極大提升知識生產效率，但單獨依靠人工智能不能產生原創(chuàng)性新知識。人工智能的工作原理是貝葉斯概率推理，其本質是對已有信息進行統(tǒng)計學意義的數(shù)據關系萃取，是對不超出機器學習內容的已有信息的“重組”或“深加工”，屬于“有中生有”而非“無中生有”。人工智能下圍棋戰(zhàn)無不勝，但無法發(fā)明圍棋這類游戲；人工智能在吟詩作畫、寫文章、做設計方面，雖可以在韻律、意境上表現(xiàn)不俗，在色彩、構圖上展現(xiàn)獨特風格，但這些“創(chuàng)新”實際上都遵循既定“套路”，甚至是“高科技抄襲”。在科研領域，人工智能輔助研究只能在“常規(guī)科學”范式框架內提升效率，難以實現(xiàn)超越既有范式的革命性突破。

與此同時，人工智能在推動知識數(shù)量爆炸式增長的同時，其習慣性“撒謊”、產生“幻覺”，以及生產“偽知識”、垃圾知識等問題也帶來很大困擾。例如，人工智能對某些問題的回答因邏輯自洽而貌似權威，但其是否真實準確卻難以評估；人工智能還會迎合使用者的意圖回答問題，即使在辯論中給出看似相反的觀點，實際上仍是順著使用者的意思編排而成，這是因其并不真正“理解”所生成的內容。人們寄希望于在大模型開發(fā)階段實現(xiàn)“價值對齊”，即通過算法和參數(shù)調整，引導和規(guī)范人工智能系統(tǒng)的輸出結果，使其最大限度符合人類價值觀與利益。但顯然這也是一個只能不斷接近、難以完全實現(xiàn)的理想目標。我們?yōu)閰^(qū)分真假和清理垃圾所耗費的時間精力，在很大程度上抵消了人工智能所帶來的效率提升。基于此，全面提升公眾人工智能素養(yǎng)，已成為智能社會建設的當務之急。人工智能素養(yǎng)可分為技術認知、工具應用和倫理評估三個維度。技術認知是指對人工智能基本屬性與功能有初步了解；工具應用是指具備在不同場景中熟練使用人工智能工具解決問題的能力；倫理評估則要求能夠批判性地評估智能工具的輸出結果，識別其潛在偏見和風險，并能基于倫理準則和價值規(guī)范，合理選擇和運用智能技術參與社會建構。

知識生產主體在人機互動中重塑

人工智能參與知識生產，是否改變了人作為知識生產者的主體地位？答案應當是否定的。人工智能輔助科研，面對不同使用者時，其“遇強則強、遇弱則弱”，科研效率的提升完全取決于使用人工智能工具的人。其產生的創(chuàng)新知識增量，歸根結底是在人主導下的“人機協(xié)同”的結果。也就是說，人工智能的作用和地位只是工具或助手，知識生產主體依然是人。

然而，在人工智能被擬人化“科普”甚至神話宣傳的氛圍中，人類作為知識生產唯一主體的地位正不斷弱化。有學者將人機協(xié)作關系視為“雙主體”。這種誤讀既不符合事實也不符合邏輯。在“人機互動”“人機協(xié)同”“人機共生”過程中，發(fā)出指令、設計算法的人永遠是主動一方，無論多么自動化、自適應的機器，終究是被動的一方。一旦接受將人機關系平行甚或顛倒的觀念，必然助長盲目樂觀或莫名恐懼的社會心理，長此以往將潛移默化抑制乃至消融人類的創(chuàng)新創(chuàng)造能力。人工智能驅動的知識生產以效率和規(guī)模為導向，顯性知識（可編碼、數(shù)據化的事實）極大擠壓了緘默知識（個體經驗與直覺）的生存空間。依賴數(shù)據庫檢索而非深度思辨，批判性思維能力和跨領域知識整合能力將會顯著弱化。因此，對于人工智能參與知識生產，始終應當保持“工具清醒”，有必要對人工智能與人的智能進一步加以比較。

人的智能是生命體所展現(xiàn)的智能，人工智能則是非生命體機器的功能。生命體和非生命體之間，有著一條不可逾越的界限。生命的起源與意識的本質，是人類迄今還未能完全解決的科學難題。作為生命體的人，天然具有自我意識和主觀意志，人的智能是先天稟賦和后天學習共同作用的結果。人的學習可分為模仿、理解、創(chuàng)造三個層次。人只需要較少的信息即可做出推理判斷；而機器沒有自我意識，機器學習實質是算法驅動的數(shù)據關系分析與概率推理，需要海量數(shù)據，大模型越大所需數(shù)據越多。機器學習僅相當于人類學習中最初級的模仿階段，無法實現(xiàn)對內容的真正理解，更談不上創(chuàng)造與創(chuàng)新。

人工智能領域有一個“莫拉維克悖論”：普通人感到困難和復雜的問題，如高階復雜的計算、多變量邏輯推演，人工智能易解，只需要很少的算力；而普通人看起來十分簡單的問題，如模仿人的無意識動作或本能感知，人工智能反倒難解，需要極大的運算能力。這一現(xiàn)象，凸顯了人類智能與機器智能之間的本質差異。人的智能不僅體現(xiàn)為邏輯推理能力，其先天稟賦還包括自由想象力與直覺判斷力，有同理心和共情能力，這些是人類創(chuàng)造力的原始動力與源泉。人還會疲倦、遺忘、心血來潮、情緒化，這些“缺點”恰恰構成了人工智能永遠無法企及的感性能力。“莫拉維克悖論”啟示我們：人工智能與人的智能不應是對立替代的關系，而應是各取所長、相互補充的關系。

人工智能的終極意義在于擴展而非替代人類價值。人工智能所能替代的只是“工作”，而不是“人”本身。人工智能將人從技術難度高、重復性強的工作中解放出來，為人的自由全面發(fā)展創(chuàng)造契機，同時也對知識生產者提出了轉型要求。比如，由期刊拒絕人工智能論文寫作引發(fā)的檢測與反檢測博弈，或將倒逼科研成果與人才評價體系改革；高等教育“四新”理念的提出，預示著人工智能時代的教育應當是“全人教育”，必須更加注重人所獨有的情感感受、共情能力、審美能力、想象力和創(chuàng)新力的保護與培養(yǎng)。總之，人工智能是人類知識生產的產物，也是人類知識生產的工具。人工智能參與知識生產的過程，正是人機互動互構、重塑知識生產者的過程。

（作者：石英，系西北農林科技大學人文社會發(fā)展學院講座教授）